知識表示與處理

第1章 緒論 1
1．1 知識表示基本概念 1
1．1．1 知識 1
1．1．2 知識表示 2
1．1．3 知識表示方法 3
1．2 知識處理的基本流程 7
1．2．1 知識抽取 7
1．2．2 知識表示 8
1．2．3 知識存儲 8
1．2．4 知識融合 9
1．2．5 知識推理 9
1．2．6 知識可視化 10
1．2．7 知識應用 10
1．2．8 知識更新 11
1．3 知識與人工智能的關系 11
習題 12
參考文獻 12
第2章 知識獲取 13
2．1 知識獲取基本概念 13
2．1．1 知識 13
2．1．2 知識獲取的發(fā)展背景 14
2．1．3 知識獲取 14
2．1．4 知識獲取的步驟和途徑 15
2．2 知識獲取的方式 15
2．2．1 人工知識獲取 15
2．2．2 半自動知識獲取 16
2．2．3 自動知識獲取 16
2．2．4 其他方式 17
2．3 面向非結(jié)構化數(shù)據(jù)的知識獲取 18
2．3．1 實體抽取 18
2．3．2 關系抽取 19
2．3．3 事件抽取 22
2．4 面向半結(jié)構化數(shù)據(jù)的知識獲取 24
2．5 面向結(jié)構化數(shù)據(jù)的知識獲取 25
2．6 實驗：使用 jieba進行中文分詞 28
2．6．1 實驗目的 28
2．6．2 實驗要求 28
2．6．3 實驗原理 28
2．6．4 實驗步驟 28
2．6．5 實驗結(jié)果 29
習題 30
參考文獻 30
第3章 謂詞邏輯 32
3．1 邏輯學的基本研究方法 32
3．1．1 概念化和理性化 32
3．1．2 符號化 33
3．1．3 公理化 33
3．1．4 形式化 34
3．1．5 現(xiàn)代邏輯學形式系統(tǒng) 34
3．2 命題邏輯 35
3．2．1 語法 35
3．2．2 語義 37
3．3 謂詞邏輯 42
3．3．1 語法 42
3．3．2 語義 47
3．4 命題演算推理系統(tǒng) 50
3．5 實驗：蘇格拉底推論符號化及論證 51
3．5．1 實驗目的 51
3．5．2 實驗要求 51
3．5．3 實驗原理 51
3．5．4 實驗步驟 51
3．5．5 實驗結(jié)果 52
習題 53
參考文獻 54
第4章 產(chǎn)生式規(guī)則 55
4．1 產(chǎn)生式表示 55
4．1．1 產(chǎn)生式的由來 55
4．1．2 產(chǎn)生式規(guī)則的一般形式 55
4．1．3 產(chǎn)生式規(guī)則與邏輯蘊含式 56
4．2 從規(guī)則到系統(tǒng) 57
4．2．1 產(chǎn)生式系統(tǒng)簡述 57
4．2．2 產(chǎn)生式系統(tǒng)的組成 57
4．2．3 產(chǎn)生式系統(tǒng)的運行過程 60
4．3 規(guī)則匹配――Rete算法 65
4．3．1 規(guī)則匹配算法簡述 65
4．3．2 Rete算法 66
4．3．3 Uni-Rete算法 70
4．4 產(chǎn)生式規(guī)則專家系統(tǒng) 73
4．4．1 專家系統(tǒng)簡述 73
4．4．2 專家系統(tǒng)的基本結(jié)構 77
4．4．3 產(chǎn)生式規(guī)則專家系統(tǒng)實例 80
4．5 實驗：基于產(chǎn)生式規(guī)則的動物識別專家系統(tǒng) 84
4．5．1 實驗目的 84
4．5．2 實驗要求 84
4．5．3 實驗原理 84
4．5．4 實驗步驟 84
4．5．5 實驗結(jié)果 95
習題 96
參考文獻 96
第5章 語義網(wǎng)絡 97
5．1 語義網(wǎng)絡簡述 97
5．1．1 語義網(wǎng)絡的概念 97
5．1．2 語義網(wǎng)絡的特點 97
5．2 語義網(wǎng)絡表示法 98
5．2．1 基本網(wǎng)元 98
5．2．2 基本語義關系 99
5．3 知識的語義網(wǎng)絡表示 102
5．3．1 事實性知識的表示 102
5．3．2 情況、動作和事件的表示 102
5．3．3 連詞和量詞的表示 104
5．3．4 用語義網(wǎng)絡表示知識的步驟 105
5．4 語義網(wǎng)絡的推理方法 106
5．4．1 繼承推理 106
5．4．2 匹配推理 106
5．5 實驗：語義網(wǎng)絡寫入圖形數(shù)據(jù)庫 107
5．5．1 實驗目的 107
5．5．2 實驗要求 107
5．5．3 實驗原理 107
5．5．4 實驗步驟 107
5．5．5 實驗結(jié)果 110
習題 110
參考文獻 111
第6章 本體 112
6．1 本體概述 112
6．1．1 本體的定義 112
6．1．2 本體的作用 113
6．1．3 本體的構成要素 114
6．2 本體的分類 115
6．3 本體的構建 118
6．3．1 本體建模語言 118
6．3．2 本體構建的規(guī)則 121
6．3．3 本體構建的方法 122
6．3．4 本體的構建工具 126
6．4 本體的應用 128
6．5 領域本體的構建 129
6．5．1 領域本體的構建過程 129
6．5．2 領域本體的設計原則 130
6．5．3 領域本體建模的生命周期 131
6．6 實驗：小型本體構建示例 131
6．6．1 實驗目的 131
6．6．2 實驗要求 132
6．6．3 實驗原理 132
6．6．4 實驗步驟 132
6．6．5 實驗結(jié)果 139
習題 140
參考文獻 141
第7章 知識圖譜 143
7．1 知識圖譜簡述 143
7．1．1 知識圖譜的概念 143
7．1．2 知識圖譜的產(chǎn)生歷程 145
7．1．3 知識圖譜的生命周期 147
7．2 知識圖譜的關鍵技術 150
7．2．1 知識圖譜構建技術 150
7．2．2 知識圖譜查詢和推理計算技術 151
7．2．3 知識圖譜應用技術 151
7．3 知識圖譜可視化 153
7．3．1 知識圖譜表示方法 153
7．3．2 知識圖譜可視化類型 154
7．3．3 知識圖譜可視化流程 154
7．3．4 知識圖譜可視化方法 154
7．4 知識圖譜分類 157
7．4．1 知識圖譜分類概述 157
7．4．2 通用知識圖譜 157
7．4．3 領域知識圖譜 158
7．5 知識圖譜工具 159
7．5．1 知識建模工具 159
7．5．2 知識獲取工具 159
7．5．3 實體識別鏈接工具 160
7．5．4 知識存儲工具 160
7．5．5 本體知識推理工具 160
7．5．6 知識圖譜可視化工具 161
7．5．7 知識圖譜數(shù)據(jù)智能平臺 161
7．6 實驗：知識圖譜實踐 162
7．6．1 實驗目的 162
7．6．2 實驗要求 162
7．6．3 實驗原理 162
7．6．4 實驗步驟 162
7．6．5 實驗結(jié)果 169
習題 170
參考文獻 170
第8章 知識推理 172
8．1 推理簡述 172
8．1．1 推理的概念 172
8．1．2 推理方式及分類 173
8．1．3 推理控制策略及分類 176
8．1．4 匹配與沖突消解 178
8．2 自然演繹推理 180
8．2．1 推理規(guī)則 180
8．2．2 三段論 181
8．2．3 命題演算形式 182
8．2．4 謂詞演算形式 182
8．3 歸結(jié)演繹推理 183
8．3．1 命題邏輯中的歸結(jié)演繹推理 186
8．3．2 謂詞邏輯中的歸結(jié)演繹推理 188
8．4 歸納推理 194
8．4．1 完全歸納推理 195
8．4．2 不完全歸納推理 195
8．5 非單調(diào)推理 201
8．5．1 缺省推理 201
8．5．2 非單調(diào)推理系統(tǒng) 203
8．6 實驗：運用邏輯推理的方法解決八皇后問題 206
8．6．1 實驗目的 206
8．6．2 實驗要求 206
8．6．3 實驗原理 206
8．6．4 實驗步驟 207
8．6．5 實驗結(jié)果 208
習題 208
參考文獻 209
第9章 不確定性推理 210
9．1 基本概念 210
9．1．1 不確定性推理的概念 210
9．1．2 不確定性推理中的基本問題 210
9．1．3 不確定性推理方法的分類 212
9．2 不確定性推理中的數(shù)學基礎 213
9．2．1 概率理論 213
9．2．2 模糊集 216
9．2．3 粗糙集 221
9．3 基于概率論的推理方法 224
9．3．1 貝葉斯網(wǎng)絡方法 224
9．3．2 主觀貝葉斯方法 229
9．3．3 可信度方法――C-F模型 232
9．4 模糊推理 235
9．4．1 模糊匹配 235
9．4．2 模糊推理的基本模式 236
9．4．3 模糊推理的基本模型 237
9．4．4 合成推理規(guī)則 238
9．5 實驗：模糊矩陣的運算 239
9．5．1 實驗目的 239
9．5．2 實驗要求 239
9．5．3 實驗原理 239
9．5．4 實驗步驟 239
9．5．5 實驗結(jié)果 242
習題 244
參考文獻 244
第10章 知識遷移學習 246
10．1 知識遷移簡述 246
10．1．1 人類知識遷移 246
10．1．2 遷移學習的意義 249
10．2 同構空間實例遷移學習 251
10．2．1 TrAdaBoost算法 251
10．2．2 核均值匹配算法 254
10．2．3 同構空間實例遷移學習的特點 255
10．3 同構空間特征遷移學習 256
10．3．1 基于特征選擇的遷移學習算法 256
10．3．2 基于特征映射的遷移學習算法 258
10．3．3 同構空間特征遷移學習的特點 261
10．4 異構空間遷移學習 261
10．4．1 翻譯學習 262
10．4．2 基于稀疏特征變換的無監(jiān)督異構遷移學習 264
10．4．3 異構空間遷移學習的特點 266
10．5 實驗：基于預訓練VGG16網(wǎng)絡的遷移學習 266
10．5．1 實驗目的 266
10．5．2 實驗要求 266
10．5．3 實驗原理 267
10．5．4 實驗步驟 267
10．5．5 實驗結(jié)果 270
習題 270
參考文獻 270
附錄A 人工智能實驗環(huán)境 272
附錄B 人工智能云平臺